日本語AIでPubMedを検索
ハイブリッドライ麦のバイオマス収量予測を改善するために、遺伝子型、ハイパースペクトル、表現型データを統合する
Integration of genotypic, hyperspectral, and phenotypic data to improve biomass yield prediction in hybrid rye.
PMID: 32681289 DOI: 10.1007/s00122-020-03651-8.
抄録
キーメッセージ:
ハイパースペクトルデータとゲノムデータは冬期ライ麦のバイオマス収量の効果的な予測因子である。可変選択法は、反射率データの情報性を向上させることができます。最先端の技術を統合することは、増大する世界人口のために作物を持続的に育種するために不可欠である。冬期ライ麦（Secale cereale L.）の乾物収量（DMY）を予測するために、ゲノム（GBLUP）とハイパースペクトル反射率（HBLUP）の関係行列に基づく単一カーネルモデル、両方の行列を組み合わせた多カーネルモデル、および植物の高さを二次形質とした二変量モデルを試験した。合計 274 のエリートライ麦系統を 10k-SNP アレイを用いて遺伝子型を決定し、ドイツの 4 つの場所で 2 年間（8 つの環境）の DMY と植物の高さについてテスト交配として表現型を決定した。スペクトルデータは、各環境の2つの日に無人航空機（UAV）によって収集された410～993nmの範囲の400の個別の狭いバンドから構成されている。データの次元を下げるためにバンドの可変選択を行い、その結果、絶対収縮が最も小さく、予測能力の点では選択演算子(Lasso)が最良の方法であった。反射率データの平均遺伝率は中程度（[式：本文参照]=0.72）であり、スペクトル全体で非常に可変性が高かった。DMYと単一バンドの間の相関は概ね有意であったが（p<0.05）、低い値であった（≤0.29）。環境と学習セット(TRN)の大きさにかかわらず、二変量モデルが最も高い予測能力(0.56-0.75)を示し、マルチカーネルモデル(0.45-0.71)とシングルカーネルモデル(0.33-0.61)がそれに続いた。TRNを低減した場合、HBLUPはGBLUPよりも優れた性能を示した。選択されたバンドのセットでフィットしたHBLUPモデルが好まれた。環境の中でも環境の中でも、予測能力はTRNが大きいほど向上した。我々の結果は、デジタル育種の時代において、ハイスループットな表現型とゲノム選択の統合が、ハイブリッドライ麦において優れた選択利得を達成するための有望な戦略であることを示唆している。
KEY MESSAGE: Hyperspectral and genomic data are effective predictors of biomass yield in winter rye. Variable selection procedures can improve the informativeness of reflectance data. Integrating cutting-edge technologies is imperative to sustainably breed crops for a growing global population. To predict dry matter yield (DMY) in winter rye (Secale cereale L.), we tested single-kernel models based on genomic (GBLUP) and hyperspectral reflectance-derived (HBLUP) relationship matrices, a multi-kernel model combining both matrices and a bivariate model fitted with plant height as a secondary trait. In total, 274 elite rye lines were genotyped using a 10 k-SNP array and phenotyped as testcrosses for DMY and plant height at four locations in Germany in two years (eight environments). Spectral data consisted of 400 discrete narrow bands ranging between 410 and 993 nm collected by an unmanned aerial vehicle (UAV) on two dates on each environment. To reduce data dimensionality, variable selection of bands was performed, resulting in the least absolute shrinkage and selection operator (Lasso) as the best method in terms of predictive abilities. The mean heritability of reflectance data was moderate ([Formula: see text] = 0.72) and highly variable across the spectrum. Correlations between DMY and single bands were generally significant (p < 0.05) but low (≤ 0.29). Across environments and training set (TRN) sizes, the bivariate model showed the highest prediction abilities (0.56-0.75), followed by the multi-kernel (0.45-0.71) and single-kernel (0.33-0.61) models. With reduced TRN, HBLUP performed better than GBLUP. The HBLUP model fitted with a set of selected bands was preferred. Within and across environments, prediction abilities increased with larger TRN. Our results suggest that in the era of digital breeding, the integration of high-throughput phenotyping and genomic selection is a promising strategy to achieve superior selection gains in hybrid rye.